干旱对云南省植被净初级生产力的影响研究

闫文波，何云玲，余 岚，屈新星

(云南大学 地球科学学院，云南 昆明 650500)

植被净初级生产力（Net Primary Productivity，NPP）是绿色植物在单位面积、单位时间积累的有机物数量，表现为光合作用固定的有机碳扣除植物本身呼吸消耗部分[1].NPP 量化了植被光合作用产生的碳积累，是生态系统中物质循环与能量流通的基础，也是评估碳源/碳汇与调节生态系统平衡的关键因素[2].随着全球变化研究的不断深入，NPP在研究气候变化对生态系统的影响中成为不可缺少的指标，也成为科学界关注的核心问题之一[3].

极端天气与气候事件是近年来全球气候变化背景下最重要和最具吸引力的话题之一[4-6].其中，干旱特别是极端干旱，将对NPP 以及生态系统碳循环产生极大影响，国内外学者在全球、国家、区域等不同尺度上对此进行了大量研究.Boyer[7]认为在干旱半干旱地区干旱胁迫是影响植被生产力的首要因素；Ciais 等[8]的研究表明干旱导致整个欧洲植被生产力下降了30%；Li 等[9]基于CASA（Carnegie-Ames-Stanford Approach，CASA）模型和标准化降水指数（Standardized Precipitation Index，SPI）与标准降水蒸散指数（Standardized precipitation evapotranspiration index，SPEI）2 个干旱指标研究干旱与NPP 的关系，发现SPEI 是中国植被响应干旱较为有效的评价指标；Pei 等[10]基于不同时间尺度的SPEI 指数研究了干旱对中国植被NPP 的影响，发现干旱强度与NPP 异常有较强的相关性；赵林等[11]基于CASA 模型估算湖北省森林NPP，并结合SPI 发现当湖北省发生轻度、中度与重度干旱时，其NPP 分别下降26.09%、32.67%、和38.28%；Zhou等[12]基于多种干旱模式评估干旱对NPP 的影响，发现SPEI 对西南喀斯特区域的植被干旱监测能力最强.总之，已有相关研究表明CASA 模型因所需参数较少，模拟精度较高，在NPP 模拟中广泛应用[13]；并且干旱在不同时间尺度上均会对NPP 产生显著影响，但是不同的区域由于植被类型和环境特征不同，NPP 对干旱的响应具有明显的区域性.

云南省背靠青藏高原、南邻印度洋，特殊的地理环境与地形使得其气候与生态环境演变存在特殊性；随着全球变暖，近年来干旱发生频率呈现上升趋势[14-16].持续性的干旱事件对云南省生态系统影响较大，逐渐成为研究热点[17-18].以往有很多学者对云南省干旱灾害进行了评估，认为SPEI 指数在评价其干旱特征方面有较强的适应性[19-21]；也有一些学者利用CASA 模型在云南局部地区进行NPP 反演取得了良好效果[22].本研究结合改进的CASA 模型和SPEI 指数，估算云南省1982—2019年的NPP 时空变化特征，深入探讨干旱与NPP 之间的关系，旨在定量评估干旱对植被净初级生产力的影响，为云南省生态保护与可持续发展提供理论支持.

1 研究区概况

云南省位于中国西南部，地理范围北纬21°08′～29°15′，东经97°31′～106°11′.地势西北高、东南低，自西北向东南呈阶梯状下降，山地高原地形，大部分地区海拔在1 000～3 500 m.气候类型复杂多样，主要包含热带季风气候、亚热带季风气候、高原山地气候等.研究区年平均气温15～18 ℃，气温自西北到东南递增，最热月均温（7 月）在19～20 ℃，最冷月均温（1 月）在6～8 ℃；降水在季节和地域上分配不均，干湿季节分明，湿季（雨季）为5—10 月，集中了85%的降水量，干季（旱季）为11月至次年4 月.特殊的地理环境特征，导致云南是全国植物种类最多的省份，植被类型多样，热带、亚热带、温带和寒温带植被类型都有，也是全球生物 多样性的热点地区之一.

2 数据来源与研究方法

2.1 数据来源

2.1.1 气象数据 来源于国家气象信息中心，包括云南省 126 个站点的逐月气温、降水和逐日日照时数，时间范围 1982—2019 年.采用童成立等[23]逐日太阳辐射的计算公式将日照时数换算为太阳辐射数据，利用 Anusplin 插值方法[24]，以STRM 90数字高程模型（DEM）为基础，对云南省气温、降水、太 阳辐射数据进行插值.

2.1.2 遥感数据 归一化植被指数（Normalized Difference Vegetation Index，NDVI）数据包含GIMMS NDVI（https://ecocast.arc.nasa.gov/data/pub/gimms/）和MODIS NDVI（http://ladsweb.nascom.nasa.gov/）.MODIS NDVI 是GIMMS NDVI 的升级版，其在 生态系统动态监测方面具有良好的连续性[25-27].

2.1.3 植被类型数据 植被数据来源于中国科学院中国植被图编辑委员会 1∶1 000 000 中国植被图集[28].引用董丹等[29]对西南地区不同植被NPP 值模拟研究的划分方法，将云南省植被类型合并为热带森林、亚热带森林、灌丛、草地、农业植被、高山植被和其它（主要指水体）7 类.

2.2 研究方法

2.2.1 NPP 模 拟在陆地植被NPP 估算中，CASA模型具有十分广泛的应用[30].本文采用朱文泉等[31]CASA 模型计算插件对云南省植被NPP 进行估算，具体计算步骤可以参考文献[32]，计算中将太阳辐射和 NDVI 所得到的植被光合有效辐射（Absorbed Photosynthesis Acitive Radiation,APAR）与温度和降水量所得到的最大光能利用率相乘模拟 NPP；与朱文泉等 CASA 模型相比，对于植被类型、最大光能利用率的分类更为详细.

2.2.2 干旱评价指标 SPEI 指数是在月累计降水量的基础上，增加了月平均气温数据，不仅考虑了区域降水量，还对区域蒸散量数据进行计算，其具体计算步骤可以参考文献[33].SPEI 指数具有多尺度的特点，3 个月尺度的 SPEI 值（SPEI-3）可以反映干旱的季节性变化；6 个月尺度的 SPEI 值（SPEI-6）可以反映干旱的年内变化趋势；12 个月尺度的SPEI 值（SPEI-12）可以反映干旱的长期变化.根据云南省的自然条件并参照以往研究，将 SPEI 指数对 应的干旱等级划分如表 1 所示.

表1 SPEI 指数对应的干旱等级Tab.1 Drought levels corresponding to the SPEI index

2.2.3 分析方法 趋势系数利用一元线性回归方法对 1982—2019 年 NPP 数据，逐像元分析其变化趋势，根据趋势系数 slope 值大小和显著性检验结果，可以将其划分为 6 类，即极显著增加（slope＞0，p＜0.01）、显著增加（slope＞0，0.01≤p＜0.05）、不显著增加（slope＞0，p≥0.05）、不显著减少（slope＜0，p≥0.05）、显著减少（slope＞0，0.01＞p≤0.05）、极显著减少（slope＞0，p≤0.01）.

为了探究 NPP 与 SPEI 指数之间的关系，根据逐像元相关性系数 R 值和检验结果进行相关性分析，可将结果分为 6 类.即极显著正相关（R＞0，p＜0.01）、显著正相关（R＞0，0.01≤p＜0.05）、不显著正相关（R＞0，P≥0.05）、不显著负相关（R＜0，P≥0.05）、显著负相关（R＜0，0.01≤p＜0.05）、极显著负相关（R＜0，p＜0.01）.

NPP 异常面积是利用某年NPP 的距平值与多年NPP 的标准差的比值，衡量NPP 偏离正常值的程 度[34]，当比值＜0 时，即为区域NPP 出现异常.

3 结果与分析

3.1 NPP 的时空变化特征云南省1982—2019 年的NPP 均值为889.42 g·m-2·a-1（以C 计，下同），整体上呈波动增长趋势（图1）；增长率为0.48 g·m-2·a-1，但未通过显著性检验，说明NPP 总体变化不大.其中，热带森林NPP 平均值最高达1 673.29 g·m-2·a-1，NPP 最低的植被类型是其它，为385 g·m-2·a-1.

图1 1982—2019 年云南省不同植被类型NPP 的逐年变化Fig.1 Annual variation of NPP of different vegetation types in Yunnan from 1982 to 2019

根据1982—2019 年云南省NPP 变化趋势的空间分布可以看出（图2），slope＞0 的区域占比达55.6%；通过显著性检验（p＜0.05）的区域占比为47.8%，其中显著增加区域占比为26%，主要集中在西双版纳地区；极显著增加区域占比小于1%；极显著减少区域占比15%，主要分布在昭通北部、云南西 北部的横断山区以及滇中大部分地区.

图2 1982—2019 年云南省NPP 的空间变化趋势Fig.2 Spatial variation trend of NPP in Yunnan from 1982 to 2019

3.2 干旱的时空变化特征为了描述云南省干旱的整体变化特征，以SPEI-12 为基础，计算历年干旱面积比例，以此反映干旱影响范围.由图3 可见，1982—2019 年云南省平均干旱面积占比为24.09%，其中2012 年干旱面积占比最高（92.8%）.干旱面积占比大于50%的年份分别有2012 年（92.8%）、2010 年（79.32%）、2013 年（71.84%）、1989 年（57.75%）、2001 年（50.79%）、2011 年（50.79%），这与范晓红等[35]研究结果接近.因此，云南省干旱面积比例波动较大，尤其是近10 年来整体呈上升趋势.

图3 1982—2019 年云南省干旱面积比例的时间变化特征Fig.3 Variation characteristics of drought rate in Yunnan from 1982 to 2019

为了分析云南省干旱空间分布特征，对SPEI-3、SPEI-6、SPEI-12 指数计算的干旱频率（干旱发生月数与研究时段内总月数的比值）分别进行插值，结果见图4.云南大部分地区干旱发生的频率均在30%以上.在3 个月尺度上，干旱发生频率较高的区域集中在滇中及滇东南；在6 个月尺度上，德宏以及文山东部干旱频率最高，达36%；而在12 个月尺度上，文山的富宁以及德宏的盈江干旱频率高达 39%.

图4 1982—2019 年云南省不同尺度SPEI 指数表征的干旱频度Fig.4 Drought frequencies of SPEI index at different scales in Yunnan from 1982 to 2019

3.3 干旱对NPP 的影响

3.3.1 干旱范围对NPP 的影响 对云南省1982—2019 年干旱面积占比和NPP 出现异常面积占比进行统计分析，发现干旱面积占比与植被NPP 呈显著负相关（r=-0.703，p＜0.01）（图5），即当遭受大规模干旱的年份，其植被NPP 很低.进一步对干旱面积比例与NPP 异常面积比例进行相关性分析发现（图6）：干旱面积比例与年均NPP 异常面积比例的相关系数为r=0.556（p＜0.01），两者呈中度相关，遭受大规模干旱的年份，其NPP 异常面积比例也会随之增加.通过统计可知，当干旱面积比例从小于30%上升到30%～40%、40%～50%、大于50%时，N PP 分别下降了3.3%、4.5%、8.7%.

图5 干旱面积比例与NPP 均值的逐年变化Fig.5 Annual variation of drought area ratio and NPP value

图6 干旱面积比例与NPP 异常面积比例的逐年变化Fig.6 Annula variation of drought area ratio and NPP anomaly area ratio

3.3.2 干旱特征与NPP 之间的相关性分析 不同时间尺度（3 个月、6 个月、12 个月）SPEI 指数与NPP 进行相关性分析结果显示（图7），干旱与NPP呈极显著正相关与显著正相关的区域主要集中在中部的昆明、曲靖、玉溪地区，以及滇东北的昭通地区等.随着SPEI 时间尺度增加，干旱与NPP 呈正相关的区域面积也在增加，NPP 与SPEI-3、SPEI-6、SPEI-12 的相关性通过显著性检验（R＞0，p＜0.05）的面积占比分别为24%、28%、38%，长期干旱对NPP 的影响大于中短期干旱.在3 个月尺度上，干旱与NPP 呈正相关的区域主要分布在昆明、曲靖与昭通；在6 个月尺度上，干旱与NPP 呈正相关的区域扩大到大理、丽江和横断山区；在12 个月尺度上，干旱与NPP 呈正相关的区域广泛分布，长期干旱对云南省植被NPP 影响最广.

图7 1982—2019 年云南省干旱与NPP 相关性分类结果Fig.7 Correlation between drought and NPP in Yunnan from 1982 to 2019

为了进一步了解干旱对不同植被类型NPP 的影响，对NPP 与不同尺度干旱通过显著性检验的区域按植被类型进行逐像元提取，结果见表2.随着SPEI 时间尺度增加，NPP 与干旱的显著性水平也随之增加，长期干旱对植被NPP 影响最大，其中热带森林植被NPP 与干旱呈极显著正相关与显著正 相关的比例在SPEI-6 时最低，SPEI-12 时最高.

表2 不同植被类型NPP 值与不同尺度SPEI 值的相关系数呈正相关的比例Tab.2 The area ratio of NPP of different vegetation types was positively correlated with the SPEI of different scales

3.3.3 NPP 对干旱的敏感性响应 敏感性指的是系统正常运转时，由于气候变化或者其他扰动而导致系统失灵的难易程度[36].为了进一步分析云南省NPP 对干旱的敏感性响应，对逐月NPP 距平值与同月不同尺度的SPEI 指数进行相关性分析，旨在确定干旱的敏感月份和对应的干旱尺度.SPEI-3 与NPP 距平值在5 月份相关系数最大为0.58；SPEI-6 与NPP 距平值10 月份相关系数最大为0.57；SPEI-12 与NPP 距平值5 月份相关系数最大为0.557.故对3 个月、6 个月、12 个月尺度的干旱而言，NPP 的敏感月份分别是5 月份、10 月份和5月份.10 月份SPEI-6 与NPP 距平值呈正相关的区域占比64.9%，10 月份SPEI-12 与NPP 距平值呈正相关的区域占比55.6%，NPP 在10 月份对6 个月尺度的干旱比12 个月尺度的干旱的响应更敏感.综上所述，5 月份云南省NPP 对12 个月尺度的干旱最为敏感，10 月份NPP 对6 个月尺度的干旱最为敏感（图8）.

图8 1982—2019 年云南省逐月NPP 与同月不同时间尺度SPEI 指数的相关性系数Fig.8 Correlation coefficient between NPP and SPIE index on different time scales in Yunnan Province from 1982 to 2019

为了进一步探究不同植被类型NPP 对干旱的敏感性响应，确定干旱敏感月和识别对其影响最大的干旱尺度，对1982—2019 年不同植被逐月NPP距平值与同月不同时间尺度SPEI 指数的相关分析结果进行逐像元提取，并对不同植被类型逐月NPP 距平值与同月不同尺度的SPEI 指数通过显著性检验（p＜0.05）的相关系数求均值（表3）.由于4—10 月为云南植被的生长季，气候对植被的响应最为敏感，研究发现热带森林在6 月份的NPP 对3 个月尺度的干旱最为敏感，在8 月份对12 个月尺度的干旱最为敏感；对亚热带森林而言，5 月份的NPP 对3 个月尺度干旱最为敏感，10 月份NPP对于6 个月尺度的干旱最为敏感；灌丛、草地、农业植被NPP 对于3 个月尺度的干旱最为敏感；高山 植被对6 个月尺度的干旱最为敏感.

表3 不同植被类型NPP 距平值与同月不同时间尺度SPEI 值的相关系数Tab.3 Correlation coefficients between NPP anomaly values of different vegetation types and SPEI values

4 讨论与结论

4.1 讨论探讨生态系统与极端气候的关系是近年来科学界关注的重点[37]，以往研究表明仅通过NPP 与干旱的年际关系，不能揭示干旱对生态系统月度生产的实际影响，可能会导致一些误导性的结论[38].本研究在云南省NPP 与不同时间尺度SPEI值的相关性进行分析时，利用1982—2019 年月度NPP（共计456 个月数据）与同月不同时间尺度SPEI 值进行相关性分析时得到干旱与植被NPP 有较强的相关性.随着干旱积累尺度的增加，干旱与NPP 相关性通过显著性检验的区域也在增加，说明长期干旱对云南省植被NPP 的影响可能大于中短期干旱.

干旱面积与NPP 异常面积比例的相关性弱于赵林等[11]在湖北地区的研究结果，干旱面积与历年NPP 相关性又强于其研究结果，但其相关性总体都达到了中等相关以上.在云南省植被NPP 干旱敏感月判别过程中，整个云南省的干旱敏感月出现在5 月和10 月，原因可能是5 月为云南雨季和生长季的开始期、10 月为云南雨季和生长季的结束期，这2 个月SPEI 指数出现异常，会对云南省植被NPP 整体上产生影响.对于不同的植被类型其干旱敏感月不同，对于不同时间尺度的干旱的响应亦不同，森林植被对于中长期干旱的响应最为明显[35].热带森林8 月份对12 个月尺度干旱的响应最为敏感，亚热带森林10 月份对6 个月尺度干旱的响应最为敏感验证了这一结论.但是，热带森林6 月份出现了对3 个月尺度干旱的敏感期、亚热带森林5 月份出现了对3 个月尺度干旱的敏感期，可能的原因是5 月份和6 月份分别是热带森林与亚热带森林的繁叶期.5 月份是灌丛、草地、农业植被的干旱敏感月，并且它们对于3 个月尺度的短期干旱的响应最为敏感，原因在于这3 种植被类型生长期较短，且生长期集中在5 月份.不同植被类型干旱敏感月的形成机理以及植被类型在其敏感月的 耐旱性[36]，可作为今后探讨的重点.

4.2 结论本研究利用气象数据、遥感数据和植被类型数据，基于CASA 模型估算1982—2019 年云南省NPP，并结合SPEI-3、SPEI-6、SPEI-12 开展干旱对NPP 的影响分析，得出以下结论.

（1）研究区1982—2019 年NPP 平均值为889.42 g·m-2·a-1，整体上时间变化不显著.但年均NPP 空间变化趋势差异较大，东南部年均NPP 呈增加趋势，北部、中部和西北部年均NPP 呈减少趋势.

（2）研究区1982—2019 年大部分地区干旱频率均在30%以上，随着干旱累计尺度增加，干旱频率大于30%的范围也在逐渐增加.

（3）研究区干旱影响范围与年均NPP 的相关系数为-0.703，呈现负相关.当干旱面积比例从小于30%上升至30%～40%、40%～50%、50%以上时，NPP 分别下降3.3%、4.5%、8.7%；不同时间尺度下（3 个月、6 个月、12 个月）干旱与NPP 通过显著性正相关关系检验的区域主要集中在滇中地区；随着SPEI 积累尺度增加，不同植被类型NPP 与干旱的相关性通过显著性检验的区域面积也在增加，长期干旱对NPP 影响较为显著.

（4）研究区NPP 在5 月份对12 个月尺度的干旱最为敏感，10 月份对6 个月尺度干旱最为敏感.热带森林在6 月份对于3 个月尺度的干旱最为敏感，8 月份对于12 个月尺度的干旱最为敏感；灌丛、草地、农业植被对3 个月尺度干旱最为敏感，高山植被对6 个月尺度的干旱最为敏感.